PERBANDINGAN TEKNIK WATERMARKING CITRA DIGITALMENGGUNAKAN DWT-SVD DAN RDWT-SVD
Qurrota Ayun Majid, T. Sutojo, S.Si, M.KomTeknik Informatika - S1 Fakultas Ilmu Komputer
Universitas Dian Nuswantoro [email protected] [email protected]
AbstractWatermarking is one of the methods developed in terms of ownership of data, such as digitalimage. Waterwarking technique is divided into the frequency domain (for example DWT) andspatial domain (for example SVD). Each has different characteristics. Based on research,DWT is more resistant to attack. While SVD singular value with good stability, but it is notresistant to attack. For that usually SVD combined with frequency domain techniques (forexample DWT-SVD). Nevertheless, the use of DWT will result in watermarked image noise.These problems can be overcome by RDWT (RDWT-SVD). The quality of the watermarkedimage was measured using the Peak Signal to Noise Ratio (PSNR) while the quality of theextracted watermark image is measured using the Correlation Coefficient (CC). This studydescribes the results of watermarked image quality of each algorithm using PSNRmeasurement results. RGB image to JPG format is inserted and produces images with JPG,BMP, PNG and TIFF. As for the extraction process combined with some attacks likeGaussian noise, salt & peppers noise, speckle noise, the addition and subtraction ofbrightness and contrast. This study also describes the results of extracted watermark imagequality of each algorithm using CC measurement results.
Keyword : watermarking, image, DWT, RDWT, SVD
I. LATAR BELAKANGSeiring dengan semakin meluasnya jaringan multimedia, maka proses pengiriman danpengaksesan dari data digital juga semakin mudah. Hal ini membawa masalah baru dalam halkepemilikan untuk suatu data seperti citra asli. Salah satu metode yang dikembangkan untukmengatasi masalah tersebut adalah digital Watermarking. Watermarking merupakan prosesuntuk menyisipkan informasi ke dalam data digital secara rahasia. Teknik watermarkingdapat dibagi menjadi 2 (dua) kelompok utama, yaitu teknik watermarking berbasis domainspasial (contoh SVD) dan domain frekuensi (contoh DWT, RDWT). Singular ValueDecomposition (SVD) memodifikasi koefisien yang diperoleh dari dekomposisi nilai singulardari citra asli. Nilai singular ini memiliki stabilitas yang baik, dimana ketika ada sedikitgangguan diberikan pada citra tersebut, nilai singular tidak berubah secara signifikan.Kelemahan yang paling penting dari algoritma SVD adalah adanya penurunan kualitas daricitra terwatermark dan citra ekstraksi hasil watermark tidak kuat terhadap serangan. Dengandemikian SVD biasanya digabungkan dengan algoritma dari teknik watermarking berbasisdomain frekuensi (DWT-SVD). Karena Discrete Wavelet Transform (DWT) lebih kuatterhadap serangan. Meskipun demikian, penggunaan DWT akan menghasilkan noise padacitra terwatermark. Masalah tersebut dapat diatasi dengan Redundant Discrete WaveletTransform (RDWT-SVD).
II. RUMUSAN MASALAH1. Bagaimana kualitas dari citra digital RGB setelah disisipi citra watermark dengan
menggunakan penggabungan dari algoritma DWT-SVD dan RDWT-SVD.2. Bagaimana kualitas dari citra watermark setelah disisipkan pada citra asli dengan
menggunakan penggabungan dari algoritma DWT-SVD dan RDWT-SVD
III. TUJUAN1. Mendeskripsikan kualitas dari citra digital RGB setelah disisipi citra watermark
dengan menggunakan penggabungan dari algoritma DWT-SVD dan RDWT-SVD.2. Mendeskripsikan kualitas dari citra watermark setelah disisipkan pada citra asli
dengan menggunakan penggabungan dari algoritma DWT-SVD dan RDWT-SVD.
IV. METODE YANG DIGUNAKAN1. Discrete Wavelet Transform (DWT)
Discrete Wavelet Transform (DWT) merupakan salah satu teknik watermarkingdomain frekuensi dimana citra akan didekomposisi menjadi 4 subbands, yaitu LL,LH, HL, HH.
Gambar 1 : Diagram Dekomposisi 2D DWT
2. Redundant Discrete Wavelet Transform (RDWT)Redundant Discrete Wavelet Transform (RDWT) pada dasarnya hampir samadengan DWT dimana citra akan didekomposisi menjadi 4 subbands, yaitu LL, LH,HL, HH. Perbedaannya adalah pada proses dekomposisi, RDWT menghilangkanproses downsampling.
Gambar 2 : Diagram Dekomposisi 2D RDWT
3. Singular Value Decomposition (SVD)Singular Value Decomposition (SVD) didasarkan pada teorema dari aljabar linearyang mengatakan bahwa persegi panjang matriks A dapat dipecah menjadi tigamatriks yaitu matriks orthogonal U, matriks diagonal S, dan transpose dari matriksV orthogonal. Teorema SVD digambarkan seperti berikut ini.= .........................................................................................(1)dimana = , = ; kolom U adalah eigen vector orthogonal dari ,kolom V adalah eigen vector orthogonal dari , dan S adalah matriks diagonalyang berisi akar kuadrat dari nilai eigen dari U atau V dalam urutan menurun.
4. Peak Signal to Noise Ratio (PSNR)Peak Signal to Noise Ratio (PSNR) digunakan untuk mengetahui perbandingankualitas citra asli sebelum dan sesudah disisipkan pesan (host images danwatermarked image). PSNR biasanya diukur dalam satuan decibel (dB). Untukmenentukan PSNR, terlebih dahulu harus ditentukan nilai MSE (Mean SquareError). MSE adalah nilai error kuadrat rata-rata antara host images denganwatermarked images. MSE dan PNSR didefinisikan sebagai berikut.= 1 − ..............................................................(2)
= 10 log 255..............................................................(3)
5. Correlation Coefficient (CC)Tingkat kemiripan antara citra watermark asli (watermark image) dengan citrawatermak hasil ekstraksi (extracted watermak image) secara kuantitatis diukurmenggunakan Correlation Coefficient (CC). CC didefinisikan sebagai berikut.= ∑ ∑ ( − ̅)( − )(∑ ∑ ( − ̅) )(∑ ∑ ( − ) ) ............................................(4)
6. Proses Watermarkinga. Proses Penyisipan
Gambar 3 : Diagram Proses Penyisipan Algoritmab. Proses Ekstraksi
Gambar 4 : Diagram Proses Ekstraksi Algoritma
7. Citra yang Digunakan
(a) Citra Asli 1 (b) Citra Asli 2 (c) Citra WatermarkGambar 5 : Citra Berukuran 512x512 px yang Digunakan
V. ANALISIS HASIL PENELITIAN1. Pengukuran PSNR pada watermarked images
a. Pengukuran dengan output JPGTabel 1 Hasil Pengukuran nilai PSNR dengan output JPG
Nilai AlphaNilai PSNR Citra 1 Nilai PSNR Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 32.3422 32.3429 32.3068 32.30970.02 30.9107 30.9144 30.8175 30.81940.03 29.3110 29.3263 29.1176 29.11840.04 27.7919 27.7946 27.5232 27.52300.05 26.4334 26.4415 26.0852 26.08890.06 25.2398 25.2548 24.8027 24.81180.07 24.1951 24.2066 23.6760 23.68310.08 23.2533 23.2686 22.6831 22.69090.09 22.4041 22.4166 21.7744 21.78470.10 21.6242 21.6422 20.9626 20.96950.11 20.9152 20.9322 20.2308 20.23690.12 20.2528 20.2698 19.5688 19.57320.13 19.6406 19.6587 18.9542 18.96120.14 19.0706 19.0863 18.3941 18.39690.15 18.5366 18.5578 17.8770 17.88400.16 18.0461 18.0644 17.3970 17.40470.17 17.5929 17.6078 16.9535 16.96060.18 17.1666 17.1851 16.5405 16.54770.19 16.7710 16.7888 16.1574 16.16380.20 16.3980 16.4180 15.7965 15.8026
b. Pengukuran dengan output BMPTabel 2 Hasil Pengukuran nilai PSNR dengan output BMP
Nilai AlphaNilai PSNR Citra 1 Nilai PSNR Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 41.0003 41.0203 40.8873 40.89940.02 35.0293 35.0434 34.9495 34.96070.03 31.6093 31.6272 31.4537 31.46480.04 29.2148 29.2331 28.9808 28.99140.05 27.3845 27.4033 27.0633 27.07350.06 25.9097 25.9283 25.5066 25.51800.07 24.6752 24.6945 24.1983 24.20960.08 23.6122 23.6315 23.0714 23.08260.09 22.6767 22.6962 22.0834 22.09450.10 21.8386 21.8584 21.2063 21.21740.11 21.0784 21.0982 20.4212 20.43210.12 20.3825 20.4027 19.7140 19.72470.13 19.7413 19.7614 19.0720 19.08290.14 19.1479 19.1682 18.4864 18.49700.15 18.5977 18.6184 17.9486 17.95920.16 18.0889 18.1090 17.4527 17.46330.17 17.6167 17.6369 16.9947 17.00480.18 17.1790 17.1988 16.5700 16.58010.19 16.7710 16.7909 16.1751 16.18480.20 16.3889 16.4088 15.8053 15.8150
c. Pengukuran dengan output PNGTabel 3 Hasil Pengukuran nilai PSNR dengan output PNG
Nilai AlphaNilai PSNR Citra 1 Nilai PSNR Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 41.0003 41.0203 40.8873 40.89940.02 35.0293 35.0434 34.9495 34.96070.03 31.6093 31.6272 31.4537 31.46480.04 29.2148 29.2331 28.9808 28.99140.05 27.3845 27.4033 27.0633 27.07350.06 25.9097 25.9283 25.5066 25.51800.07 24.6752 24.6945 24.1983 24.20960.08 23.6122 23.6315 23.0714 23.08260.09 22.6767 22.6962 22.0834 22.09450.10 21.8386 21.8584 21.2063 21.21740.11 21.0784 21.0982 20.4212 20.4321
0.12 20.3825 20.4027 19.7140 19.72470.13 19.7413 19.7614 19.0720 19.08290.14 19.1479 19.1682 18.4864 18.49700.15 18.5977 18.6184 17.9486 17.95920.16 18.0889 18.1090 17.4527 17.46330.17 17.6167 17.6369 16.9947 17.00480.18 17.1790 17.1988 16.5700 16.58010.19 16.7710 16.7909 16.1751 16.18480.20 16.3889 16.4088 15.8053 15.8150
d. Pengukuran dengan output TIFFTabel 4 Hasil Pengukuran nilai PSNR dengan output TIFF
Nilai AlphaNilai PSNR Citra 1 Nilai PSNR Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 41.0003 41.0203 40.8873 40.89940.02 35.0293 35.0434 34.9495 34.96070.03 31.6093 31.6272 31.4537 31.46480.04 29.2148 29.2331 28.9808 28.99140.05 27.3845 27.4033 27.0633 27.07350.06 25.9097 25.9283 25.5066 25.51800.07 24.6752 24.6945 24.1983 24.20960.08 23.6122 23.6315 23.0714 23.08260.09 22.6767 22.6962 22.0834 22.09450.10 21.8386 21.8584 21.2063 21.21740.11 21.0784 21.0982 20.4212 20.43210.12 20.3825 20.4027 19.7140 19.72470.13 19.7413 19.7614 19.0720 19.08290.14 19.1479 19.1682 18.4864 18.49700.15 18.5977 18.6184 17.9486 17.95920.16 18.0889 18.1090 17.4527 17.46330.17 17.6167 17.6369 16.9947 17.00480.18 17.1790 17.1988 16.5700 16.58010.19 16.7710 16.7909 16.1751 16.18480.20 16.3889 16.4088 15.8053 15.8150
2. Pengukuran CC pada extracted watermark imagesa. Pengukuran dengan watermarked images JPG
Pengukuran dengan serangan gaussian noiseTabel 5 Hasil Pengukuran nilai CC output JPG dan nilai alpha 0.1 dengan
serangan gaussian noise
NilaiVariabel
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 0.864899 0.887358 0.940386 0.9596520.02 0.739037 0.770521 0.888758 0.9143000.03 0.614425 0.661131 0.834889 0.8716010.04 0.519131 0.547147 0.786501 0.8270760.05 0.424459 0.430546 0.780477 0.786571
Pengukuran dengan serangan salt & peppersTabel 6 Hasil Pengukuran nilai CC output JPG dan nilai alpha 0.1 dengan
serangan salt & peppers
NilaiDensity
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 0.951634 0.955657 0.982224 0.9878190.02 0.904600 0.917195 0.955011 0.9683270.03 0.850295 0.866485 0.926206 0.9475290.04 0.797957 0.822480 0.896155 0.9235890.05 0.743454 0.763795 0.863128 0.898651
Pengukuran dengan serangan speckle noiseTabel 7 Hasil Pengukuran nilai CC output JPG dan nilai alpha 0.1 dengan
serangan speckle noise
NilaiVariabel
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 0.921841 0.927005 0.983570 0.9878760.02 0.852659 0.867185 0.960226 0.9718690.03 0.781748 0.805753 0.939657 0.9555290.04 0.709250 0.733864 0.913779 0.9385700.05 0.641808 0.684789 0.890740 0.920690
Pengukuran dengan serangan penambahan brigthnessTabel 8 Hasil Pengukuran nilai CC output JPG dan nilai alpha 0.1 dengan
serangan penambahan brigthness
NilaiBrightness
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
+5.1 0.973884 0.974034 0.981565 0.981559+10.2 0.977916 0.976905 0.953170 0.952010+15.3 0.934982 0.930418 0.913768 0.908325+20.4 0.839077 0.820601 0.809822 0.796558+25.5 0.578829 0.551441 0.504979 0.490520
Pengukuran dengan serangan pengurangan brigthnessTabel 9 Hasil Pengukuran nilai CC output JPG dan nilai alpha 0.1 dengan
serangan pengurangan brigthness
NilaiBrightness
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
-5.1 0.970997 0.975806 0.992152 0.992310-10.2 0.927102 0.937609 0.968266 0.969373-15.3 0.749409 0.770249 0.889245 0.891199-20.4 0.238579 0.249919 0.636223 0.637576-25.5 0.0301101 0.0456896 0.233941 0.232085
Pengukuran dengan serangan penambahan contrastTabel 10 Hasil Pengukuran nilai CC output JPG dan nilai alpha 0.1 dengan
serangan penambahan contrast
NilaiContrast
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
+6 0.960359 0.966122 0.988681 0.989988+10 0.927372 0.936392 0.976491 0.979631+14 0.899354 0.910945 0.964869 0.969560+18 0.874396 0.887448 0.952973 0.958781+22 0.851826 0.866160 0.938480 0.945347
Pengukuran dengan serangan pengurangan contrastTabel 11 Hasil Pengukuran nilai CC output JPG dan nilai alpha 0.1 dengan
serangan pengurangan contrast
NilaiContrast
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
-6 -0.153281 -0.206610 0.817507 0.835499-10 -0.593496 -0.642768 0.148744 0.106017-14 -0.649542 -0.693271 -0.266094 -0.316451-18 -0.662182 -0.697383 -0.371887 -0.411255-22 -0.667726 -0.699610 -0.403556 -0.434702
b. Pengukuran dengan watermarked images BMP
Pengukuran dengan serangan gaussian noiseTabel 12 Hasil Pengukuran nilai CC output BMP dan nilai alpha 0.1 dengan
serangan gaussian noise
NilaiVariabel
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 0.894053 0.908750 0.937822 0.9582800.02 0.773318 0.795744 0.881292 0.9146880.03 0.642372 0.687150 0.831475 0.8691940.04 0.541518 0.584045 0.777534 0.8216720.05 0.451348 0.486994 0.743121 0.791001
Pengukuran dengan serangan salt & peppersTabel 13 Hasil Pengukuran nilai CC output BMP dan nilai alpha 0.1 dengan
serangan salt & peppers
NilaiDensity
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 0.965175 0.969258 0.978268 0.9862790.02 0.931819 0.937066 0.949909 0.9676880.03 0.877441 0.900660 0.921733 0.9447230.04 0.838027 0.861022 0.892310 0.9209490.05 0.785491 0.810493 0.855570 0.897862
Pengukuran dengan serangan speckle noiseTabel 14 Hasil Pengukuran nilai CC output BMP dan nilai alpha 0.1 dengan
serangan speckle noise
NilaiVariabel
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
0.01 0.935847 0.941499 0.980060 0.9861630.02 0.876995 0.887589 0.955911 0.9700980.03 0.811411 0.836531 0.931695 0.9532940.04 0.746197 0.767482 0.907230 0.9350670.05 0.685506 0.707965 0.884268 0.913819
Pengukuran dengan serangan penambahan brigthnessTabel 15 Hasil Pengukuran nilai CC output BMP dan nilai alpha 0.1 dengan
serangan penambahan brigthness
NilaiBrightness
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
+5.1 0.982426 0.981746 0.982929 0.982270+10.2 0.981888 0.980888 0.953592 0.950356+15.3 0.942012 0.936750 0.911509 0.900740+20.4 0.868966 0.845214 0.794393 0.761594+25.5 0.635277 0.590129 0.486326 0.467743
Pengukuran dengan serangan pengurangan brigthnessTabel 16 Hasil Pengukuran nilai CC output BMP dan nilai alpha 0.1 dengan
serangan pengurangan brigthness
NilaiBrightness
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
-5.1 0.978937 0.983213 0.994279 0.994151-10.2 0.939811 0.949573 0.971469 0.972106-15.3 0.801242 0.819571 0.895696 0.897041-20.4 0.353696 0.364367 0.644131 0.645698-25.5 0.0680799 0.0740805 0.238476 0.239773
Pengukuran dengan serangan penambahan contrastTabel 17 Hasil Pengukuran nilai CC output BMP dan nilai alpha 0.1 dengan
serangan penambahan contrast
NilaiContrast
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
+6 0.958377 0.965433 0.988566 0.990420+10 0.925993 0.936137 0.976731 0.980274+14 0.898220 0.911250 0.965175 0.969864+18 0.873489 0.888089 0.953160 0.958811+22 0.851282 0.867323 0.938004 0.944829
Pengukuran dengan serangan pengurangan contrastTabel 18 Hasil Pengukuran nilai CC output BMP dan nilai alpha 0.1 dengan
serangan pengurangan contrast
NilaiContrast
Nilai CC Citra 1 Nilai CC Citra 2DWT-SVD
RDWT-SVD
DWT-SVD
RDWT-SVD
-6 0.0238237 -0.044789 0.817745 0.825893-10 -0.554574 -0.609192 0.124091 0.0670075-14 -0.633841 -0.679153 -0.272983 -0.325806-18 -0.649608 -0.687548 -0.375547 -0.415584-22 -0.656576 -0.689185 -0.405214 -0.437337
VI. KESIMPULAN1. Berdasarkan nilai Peak Signal to Noise ratio (PSNR), baik pada algoritma DWT-SVD
maupun RDWT-SVD, dengan nilai alpha yang sama, semakin tinggi nilai alpha makakualitas dari watermarked images akan semakin rendah. Kualitas watermarkedimages dengan format BMP sama dengan kualitas watermarked images denganformat PNG dan TIFF serta lebih baik dari pada kualitas watermarked images denganformat JPG. Kualitas watermarked images yang menggunakan algoritma RDWT-SVD lebih baik dari pada kualitas watermarked images yang menggunakan algoritmaDWT-SVD.
2. Berdasarkan nilai Correlation Coefficient (CC), dengan nilai noise, brightness dancontrast yang sama, algoritma RDWT-SVD lebih tahan terhadap serangan gaussiannoise, salt & peppers noise, speckle noise, penambahan brightness dan pengurangancontrast dari pada algoritma DWT-SVD. Sedangkan algoritma DWT-SVD lebihtahan terhadap serangan pengurangan brightness dan penambahan contrast dari padaalgoritma RDWT-SVD. Sehingga kualitas extracted watermark image dari algoritmaRDWT-SVD lebih baik dari pada kualitas extracted watermark image dari algoritmaDWT-SVD.